2026-11-10 每日资讯¶
- 高相关论文 1 篇 · 中相关 23 篇 · 其他 3 篇 · 会议/Seminar 事件 0 条
⭐ 高相关论文(按主题分组)¶
因果推断 (causal_inference, 1 篇)¶
1. 2611.08560 — Minimax designs and estimators for causal inference under network interference¶
- 作者: Vishesh Karwa, Edoardo M. Airoldi
- 机构: Temple University
- 分类: math.ST · stat.ME · stat.TH
- 相关性 8/10 · novelty:
new_theory - 摘要: 本文在干扰存在下,针对线性因果估计量建立了基于设计的 minimax 理论。作者将因果推断问题重新表述为在扩展有限总体(包含所有潜在结果)上的约束抽样设计,并用加权抽样超图描述可行处理分配下的联合可采样性。他们分别研究了固定设计、受限设计类和全设计类下的 minimax 风险,并区分了所有估计量与设计无偏估计量。关键结果表明,三类问题的 minimax 风险分别由加权超图、可达加权超图集合和无权超图决定。Bayes 下界通过比较在联合缺失集上不同的潜在结果表获得,其中联合缺失概率控制所有估计量的下界,而对应的比值控制无偏估计量的下界。理论在无干扰的 ATE、部分干扰下的饱和设计、邻域干扰下的总效应/直接效应/传染效应以及二分剂量反应对比等场景中得到了验证,且上下界在多种设定下匹配。该文为网络干扰下的实验设计提供了统一的理论框架,对您关注的因果推断 identification 与 estimation 理论有直接参考价值。
- 关键技术:
design-based minimax theory,weighted sampling hypergraph,Bayes lower bounds,exposure mapping,saturation designs,partial interference - 为什么对您有用: 该文直接属于 primary interest 中的 causal inference 子方向,特别是网络干扰下的实验设计与估计,与您关注的 identification 和 estimation 理论紧密相连。您可以用 very_familiar 的 minimax bounds 工具来检验其下界是否紧,或探索将超图框架与您熟悉的 higher-order U-statistics 的 treewidth 视角结合,分析复杂干扰结构下的估计量计算成本。总体而言,这是一个立即可做的理论延伸点,值得深入阅读。
📌 中相关论文(按主题分组)¶
因果推断 (causal_inference, 4 篇)¶
1. 2611.09429 — Navigating Selection Bias in Genome-wide Association Studies (GWAS)¶
- 作者: Ciarrah-Jane S Barry, Tahereh Gholipourshahraki, Zolt\'an Kutalik, Bjarni J Vilhj\'almsson, Esben Agerbo
- 机构: Aarhus University
- 分类: stat.ME · q-bio.GN · q-bio.QM
- 相关性 7/10 · novelty:
survey - 摘要: 本文系统梳理了GWAS中因样本选择(如志愿者生物库、病例对照设计、疾病进展研究)导致的selection bias问题,指出其会污染下游的PGS、MR和遗传相关分析。作者将十种检测与校正方法按分析者决策路径组织:诊断还是校正、数据层级(个体级或汇总级)、选择形式(非代表性参与、病例对照、索引事件、性别差异参与、生存至招募)。对每种方法,文章阐明其原理与假设,并针对同一选择形式比较假设、数据需求和局限。配套GitHub仓库用R实现九种方法,提供模拟数据示例和交互式方法选择工具。最后给出bias-aware研究设计、敏感性分析和报告建议。对您而言,这是一篇方法学综述,其核心是选择偏差下的因果识别与校正,与您的proximal CI和敏感性分析兴趣直接相关,可作为流行病学应用场景的入门读物。
- 关键技术:
selection bias,GWAS summary statistics,polygenic scores,Mendelian randomization,sensitivity analysis,method comparison - 为什么对您有用: 本文属于流行病学应用领域,是gateway reading:它清晰展示了选择偏差如何影响因果推断(如MR),并系统比较了多种校正方法,适合作为进入流行病学遗传学方向的入门读物。武器库方面,您对因果推断的identification和敏感性分析很熟悉,足以理解方法假设,但具体遗传学工具(如SPREG)不在武器库中,因此属于中期可做:需先熟悉遗传流行病学数据结构和常用软件。
2. 2611.09539 — M-Estimation in Censored Regression Model under Endogeneity¶
- 作者: Swati Shukla, Subhra Sankar Dhar, Shalabh
- 分类: stat.ME · math.ST · stat.TH
- 相关性 7/10 · novelty:
application - 摘要: 本文研究内生性下删失回归模型的 M 估计问题,目标是在工具变量和删失同时存在时估计回归系数。方法采用两阶段估计:第一阶段用控制函数法处理内生性,第二阶段用一类广义损失函数进行 M 估计以应对删失,从而得到一类估计量,涵盖现有若干特例。作者建立了该类估计量的一致性和渐近正态性,并通过模拟研究比较了不同损失函数的有限样本表现。对您而言,该文属于因果推断中 IV 与删失数据结合的应用型方法研究,其控制函数框架与您的 IV 和半参数估计兴趣相关。
- 关键技术:
control function approach,instrumental variables,M-estimation,censored regression,two-stage estimation - 为什么对您有用: 该文直接涉及因果推断中的工具变量方法,属于您的 primary interest 中 IV 子方向;其两阶段估计与半参数理论中的 M 估计有联系,可用您 very_familiar 的 M-estimation 理论来审视其渐近性质的证明是否严密。中期可做:若想推广到更复杂的删失机制或高维设定,需在 moderately_familiar 的 semiparametric theory 上加强。
3. 2611.09553 — Risk-set reconstruction balance: zero-targeted diagnostics for artificial censoring in clone-censor-weight analyses¶
- 作者: Yuta Nonomiya
- 机构: German Research Centre for Artificial Intelligence · Osaka Metropolitan University
- 分类: stat.ME · stat.AP
- 相关性 6/10 · novelty:
new_method - 摘要: 本文针对 clone-censor-weight (CCW) 分析中的 artificial censoring 问题,提出了一种新的平衡诊断工具 risk-set reconstruction balance (RRB)。在正性和正确删失模型假设下,作者证明加权保留个体能够重构每个删失区间前的风险集以及基线人群,并据此定义 RRB 来衡量加权样本与这两个目标人群的偏离程度。与现有的 end-of-grace SMD 相比,区间 RRB 对包括基线后协变量在内的所有历史函数都具有零目标,而累积 RRB 在结局事件后对基线协变量仍保持零目标,避免了 end-of-grace SMD 的 depletion 项。模拟研究表明,区间 RRB 对删失模型中遗漏项的影响敏感,无论该遗漏项是否与结局相关;在正确模型下,其 studentised 最大值的超限率接近名义水平 5%。案例研究中,区间 RRB 成功识别出删失模型之外的配药指标。该诊断工具为 CCW 分析中的模型检验提供了新视角,对您关注的因果推断中敏感性分析和纵向数据方法有直接参考价值。
- 关键技术:
clone-censor-weight (CCW),inverse probability of censoring weighting,risk-set reconstruction,standardised mean difference (SMD),studentised maximum,balance diagnostics - 为什么对您有用: 本文属于因果推断中纵向数据与删失处理的应用方法,直接关联您的 primary interest 中的 longitudinal causal inference 和 sensitivity analysis。您可以用 very_familiar 的 estimation theory in causal inference 来评估 RRB 的估计性质,或用 moderately_familiar 的 semiparametric theory 来推导其影响函数,从而判断其理论紧致性。中期可做:若想深入其渐近性质,需在 moderately_familiar 的 M-estimation theory 上加强。
4. 2611.09439 — FlexRL: an R package for Flexible Record Linkage and Linked Data Quality Assessment¶
- 作者: Kayan\'e Robach, Mark A. van de Wiel, Michel H. Hof
- 分类: stat.ME
- 相关性 5/10 · novelty:
application - 摘要: 本文介绍 R 包 FlexRL,用于概率性记录链接(record linkage)及链接后数据质量评估。其核心方法不采用传统的成对比较分类,而是拟合一个分层潜变量模型来描述数据生成过程,从而处理缺乏唯一标识符但共享部分识别变量的两个数据源。该模型能容纳登记错误和随时间变化的变量,并直接对链接不确定性进行建模。包内实现了两种错误发现比例(FDP)估计器:一种基于链接模型的概率方法,另一种利用合成数据辅助估计。此外,还提供多种衡量链接样本与源总体差异的指标,这些工具与底层链接模型无关,可应用于任何方法。实现结合了标准 R 函数、S3 方法和 Rcpp 计算,具有较快的执行速度和较低的内存占用。
- 关键技术:
hierarchical latent variable model,probabilistic record linkage,false discovery proportion estimation,synthetic data augmentation,Rcpp - 为什么对您有用: 本文属于因果推断中数据预处理环节——记录链接,其链接不确定性会传导至后续因果估计(如 ATE 或 IV 分析),因此与您的 causal inference 兴趣直接相关。您可以用 very_familiar 的 estimation theory in causal inference 来评估其 FDP 估计器的偏差-方差权衡,或将其链接模型视为一种测量误差模型,探讨对因果效应估计的影响。中期可做:结合您 moderately_familiar 的 identification theory,研究链接不确定性下的因果识别条件。
高维统计 / 随机矩阵 (high_dim_rmt, 4 篇)¶
1. 2611.08941 — Supervised Factor-Augmented Matrix Regression with Weak Factors¶
- 作者: Wenyan Hou, Zhaoxing Gao, Ruey S. Tsay
- 机构: University of Electronic Science and Technology of China · University of Chicago
- 分类: stat.ME · math.ST · stat.TH
- 相关性 7/10 · novelty:
new_method - 摘要: 本文提出一个监督因子增强的矩阵回归框架,用于处理弱因子情形下的高维矩阵数据分析。当因子载荷集中在未知的行和列子集上时,传统的全矩阵因子提取会遭受信号稀释,且一个维度的弱性会传播到另一个维度的估计中。作者刻画了α-PCA和投影估计器在双向弱载荷现象下的行为,并证明其载荷和因子估计在弱信号下会恶化。为解决此问题,他们提出一个序贯的响应引导筛选程序,在因子提取前识别信息丰富的行和列。理论上,他们建立了精确的支持恢复,并证明筛选后的因子重估将弱载荷问题转化为相对于保留维度的普遍性问题,从而在更弱的维度增长条件下获得更快的收敛速率和一致的因子数确定。他们还建立了基于估计矩阵因子的无约束和双线性回归估计量的渐近分布。模拟和两个实证应用展示了响应引导因子构建在弱信号下的优势。
- 关键技术:
factor-augmented matrix regression,weak factor model,response-guided screening,support recovery,α-PCA,projected estimation - 为什么对您有用: 本文直接关联您的高维统计与随机矩阵理论兴趣,特别是弱因子模型下的估计与推断问题。您可以用非常熟悉的 minimax 界工具来检验其声称的收敛速率是否最优,并考虑将响应引导筛选与您的高阶 U-统计量计算框架结合,分析其计算复杂度。
2. 2611.09431 — Debias Online Expectile Regression for High-Dimensional Stream Data and Statistic Inference¶
- 作者: Wei Cao, Shanshan Wang
- 机构: Beihang University
- 分类: stat.ME
- 相关性 7/10 · novelty:
new_method - 摘要: 本文研究高维流式数据下的分位数回归(expectile regression)的统计推断问题,目标是在仅保留当前批次和累积统计量的在线更新框架下,对回归系数进行去偏估计并构造置信区间。方法上,采用 Lasso 正则化进行变量选择以缓解高维带来的估计不稳定性,并利用递归更新的累积统计量近似全局梯度,配合近端梯度下降算法在线更新参数。为在在线设定下实现有效推断,作者进一步提出了在线精度矩阵估计程序,并建立了去偏估计量的一致性及渐近正态性。数值实验和真实数据应用表明,所提方法在存储成本低的条件下,性能可与 oracle 及离线估计器相媲美。该工作将去偏 Lasso 的推断框架推广到流式数据场景,对高维在线统计推断具有方法论贡献。
- 关键技术:
debiased Lasso,online precision matrix estimation,proximal gradient descent,recursive cumulative statistics,asymptotic normality - 为什么对您有用: 本文属于高维统计与统计推断的交叉方向,直接关联您的高维统计兴趣,特别是去偏估计与在线推断的结合。您可以用 very_familiar 的高维渐近理论来审视其在线精度矩阵估计的收敛性,或考虑将 higher-order U-statistics 的投影思想用于改进其累积统计量的近似效率。中期可做:若想深入在线推断的 minimax 性质,需在 moderately_familiar 的 semiparametric theory 上加强。
3. 2611.09676 — Local Inference for High-dimensional Time Series¶
- 作者: Julien Bodelet, Davide La Vecchia, Johannes Lederer, Oliver Y. Ch\'en
- 机构: Centre Hospitalier Universitaire Vaudois · Stanford University · Universität Hamburg · University of Lausanne
- 分类: stat.ME
- 相关性 6/10 · novelty:
new_method - 摘要: 本文针对高维时间序列中局部平稳性定义在高维情形下失效的问题,提出了(ε_n, δ)-平稳性,允许近似误差随维度增长,并结合局部稀疏性刻画相关预测变量随时间的变化。在高维时变自回归模型下,证明了平稳近似的速率由局部稀疏性决定,从而局部稀疏性同时控制估计和近似误差。方法上提出带时变惩罚的局部lasso,可同时选择相关变量及其活跃时段,并给出依赖局部稀疏性的误差界,量化非平稳代价并指导惩罚和带宽选择。推断方面,基于局部nodewise回归提出去稀疏化局部lasso,建立显式平滑偏差的线性表示,并在两个带宽条件下证明渐近正态性。模拟和宏观经济、神经科学数据应用验证了方法的有效性。对您而言,该文将高维稀疏估计与时间序列非平稳性结合,其去稀疏化推断思路可迁移至您熟悉的因果推断中的纵向设定。
- 关键技术:
local lasso,desparsified lasso,nodewise regression,local stationarity,time-varying autoregression - 为什么对您有用: 该文属于高维时间序列推断,与您的高维统计和假设检验兴趣相关;其去稀疏化推断和渐近正态性结果可类比于您熟悉的DML框架,且局部稀疏性概念可能启发您在纵向因果推断中处理时变混淆。技术上,您可用非常熟悉的高维渐近工具(如稀疏收敛、正态逼近)来验证其理论,属于立即可做的方向。
4. 2611.09110 — Byzantine-Robust Distributed Sparse Softmax Regression¶
- 作者: Yuxuan Wang, Yu Sun, Bowen Li, Kangqiang Li
- 机构: Zhejiang University · China Tobacco
- 分类: math.ST · stat.TH
- 相关性 6/10 · novelty:
new_method - 摘要: 本文研究高维稀疏 softmax 回归在分布式环境下的拜占庭鲁棒估计问题。在子高斯设计假设下,作者提出基于坐标-wise 截尾均值和坐标-wise 中位数的通信高效聚合算法,以抵御拜占庭攻击。在稀疏性约束下,当拜占庭比例 α 与 1/√m 同阶时,所提分布式估计器达到 O_P(K^{5/2}√(s log(Kd)/N)) 的收敛速率,与集中式 oracle 速率匹配。数值实验验证了方法的有效性。该工作将鲁棒聚合与高维稀疏估计结合,但理论框架相对标准,主要贡献在于将已有鲁棒聚合技术推广到多分类 softmax 设定。
- 关键技术:
coordinate-wise trimmed mean,coordinate-wise median,Byzantine-robust aggregation,sparse softmax regression,sub-Gaussian design - 为什么对您有用: 本文属于高维统计与鲁棒估计的交叉,与您的高维统计兴趣相关,但更偏向分布式鲁棒优化,而非随机矩阵理论或因果推断。您可用 very_familiar 的 minimax 界工具检验其速率是否紧,但核心机制(鲁棒聚合)与您的武器库重叠有限,属于中期可做方向。
非参数 / 半参数 (nonparam_semipara, 2 篇)¶
1. 2611.09484 — Scalable Estimation and Inference for Varying Coefficient Expectile Regression with Streaming Data¶
- 作者: Haojie Dong, Xinyuan Song, Xinghui Wang
- 机构: Anhui University · Chinese University of Hong Kong
- 分类: stat.ME
- 相关性 6/10 · novelty:
new_method - 摘要: 本文针对流式数据下的变系数 expectile 回归,提出可扩展的非参数估计与推断框架。在乘积再生核希尔伯特空间(RKHS)中,采用带 Polyak-Ruppert 平均的 functional stochastic gradient descent 在线估计系数函数,仅需梯度信息且单遍扫描数据。作者建立了在线估计器的非渐近误差界,证明在特定步长方案下达到最优非参数收敛速率,并给出逐点渐近正态性的 Berry-Esseen 界。为进行在线推断,提出 multiplier bootstrap 方法,通过独立随机权重扰动随机梯度并递归构造 bootstrap 轨迹,证明了 bootstrap 一致性,从而得到渐近有效的逐点置信区间。模拟与真实数据应用验证了方法性能。
- 关键技术:
functional stochastic gradient descent,Polyak-Ruppert averaging,reproducing kernel Hilbert space,non-asymptotic error bounds,Berry-Esseen bound,multiplier bootstrap - 为什么对您有用: 本文属于非参数/半参数理论方向,具体涉及 RKHS 中在线估计的收敛速率与推断,与您对非参数理论及统计计算(流式算法)的兴趣直接相关。您可尝试用非常熟悉的非参数 minimax 理论验证其最优速率声明,或利用 moderately_familiar 的 M-估计理论分析其 bootstrap 推断的覆盖精度。中期可做:需在流式优化与在线推断的交叉领域补充知识,但核心工具(RKHS、bootstrap)已在武器库中。
2. 2611.09426 — Robust Bayes-like estimation of the distribution of a determinantal process¶
- 作者: Yannick Baraud
- 分类: math.ST · stat.TH
- 相关性 5/10 · novelty:
new_method - 摘要: 本文研究在一般测度空间上,基于 n 个独立同分布样本估计行列式点过程(DP)分布的问题,目标估计量为整个分布而非仅核函数。估计器通过从与适当先验关联的 T-后验分布中采样得到,并在 Hellinger 损失下建立了高概率成立的非渐近风险界。这些界在数据仅独立而非同分布、以及模型误设时依然有效,因此对少量异常值具有稳健性。对于秩为 k 的行列式投影过程,Grassmann 流形上的 Haar 先验导出速率 sqrt{k(D-k) log n / n},并通过模型选择推广到无穷维设定。对一般 DP,作者引入基于核谱分解的先验,结合特征值上的均匀分布与 Stiefel 流形上的 Haar 测度;当底空间有限含 N 个元素时,得到速率 N sqrt{log n / n},且无需对核作任何假设,并由此可同时估计核的全部 2^N 个主子式。对环面 T^d 上的平移不变 DP,所得速率仅依赖于核在原点的光滑性且自适应于该光滑性;结合新的 Hellinger 距离下界,还得到核的 L2 估计器。对您而言,本文的 T-后验与模型选择机制、以及非渐近风险界技术,与您熟悉的非参数估计和 minimax 理论直接相关,可作为扩展 Bayesian 非参数方法的一个有趣入口。
- 关键技术:
T-posterior distribution,Hellinger risk bounds,Haar priors on Grassmannians,Stiefel manifold priors,model selection,adaptive estimation - 为什么对您有用: 本文属于非参数/半参数估计理论,直接对应您的 primary interest 中的 nonparametric theory 与 minimax bounds;其 T-后验估计器与模型选择机制可视为一种新的稳健非参数方法,您可用熟悉的 minimax 下界工具检验其速率的最优性。
数理统计 / 假设检验 (hypothesis_testing, 3 篇)¶
1. 2611.09231 — Power improvements and exact shortcuts for closed permutation maxT testing with discrete data¶
- 作者: Giovanni Corradini, Marvin N. Wright, Ronja Foraita, Livio Finos
- 机构: Leibniz Institute for Prevention Research and Epidemiology - BIPS
- 分类: stat.ME
- 相关性 6/10 · novelty:
new_method - 摘要: 本文研究离散数据下闭合法置换 maxT 检验的势改进问题。在离散数据和小样本情形,不同置换常产生相同检验统计量,导致检验保守、势降低;对 maxT 统计量,即使最大值相同但其他端点不同,传统方法会丢弃这些信息。作者提出两种改进:第一种利用所有局部检验共享的单一均匀随机变量来协调随机化,在保持精确线性 step-down 捷径的同时最大化每个基本假设的拒绝概率;第二种是确定性两端点增强(tea)检验,利用第二大端点统计量解决最大值平局,无需辅助随机化即可在备择下提高势并保持零假设有效性,其全闭合法具有精确二次捷径。更一般地,使用固定数量端点统计量的增强可导出精确多项式捷径。两种方法均保留经典闭合法 maxT 的所有拒绝,并在交集零假设置换不变性下强控制 FWER。模拟表明,在稀疏二元结果下,两种方法均优于经典方法,且 tea 检验在多端点时通常优于共享均匀随机化。
- 关键技术:
closed testing,permutation maxT test,ties handling,shared uniform randomization,two-endpoint augmentation,step-down shortcut,family-wise error rate control - 为什么对您有用: 本文属于假设检验方向,直接关联您对 hypothesis testing 的兴趣。您熟悉的非参数统计和置换检验框架可用于理解其理论,而您对高阶 U 统计量的计算视角可能有助于分析其多项式捷径的复杂度。
2. 2611.08876 — Reweighting for Transfer Classification: Exact Risk Conversion and Minimax Adaptation¶
- 作者: Aoran Chen, Yang Feng
- 机构: Pennsylvania State University · New York University
- 分类: math.ST · cs.LG · stat.ML · stat.TH
- 相关性 6/10 · novelty:
new_theory - 摘要: 本文研究二分类迁移学习中的重加权问题,目标是在源域与目标域分布不同的情况下,通过重加权源数据来优化目标风险。作者推导了在给定混合超额风险下,目标超额 hinge 风险的最紧上界,该转换曲线由密度加权的局部投票决定。利用加权支持向量机的两样本 oracle 不等式,作者获得了混合超额风险的界,并在高斯核下给出显式结果。在倾斜边界类别上,建立了所有过程的最小极大分类率,该率由迁移强度和倾斜度决定,并分离了源采样不确定性与关系不确定性。提出的目标检查高斯 SVM 选择器能自适应未知的迁移强度和倾斜度,在固定维度下达到对数因子内的最优率。在另一类光滑对立类别上,证明了在目标样本量不超过源样本量一半时,精确高斯 SVM 族内的最小极大风险比无限制最小极大风险指数级大,表明源的价值取决于其创造的训练问题及允许的使用方式。
- 关键技术:
reweighting,excess risk bounds,weighted SVM,oracle inequality,minimax rates,adaptivity - 为什么对您有用: 本文属于迁移学习中的统计理论,与您的主要兴趣(数学统计、假设检验、极小极大理论)高度相关。其核心的精确风险转换和极小极大自适应结果,可视为一种分布偏移下的推断问题,与您的因果推断中的外推性(如 IV 或 proximal CI 中的分布迁移)有潜在联系。您可以用非常熟悉的极小极大界技术来验证其率的紧性,或探索其在高维或半参数设定下的推广。中期可做:需在 moderately_familiar 的 M-估计理论上加强,以处理更复杂的估计器。
3. 2611.08746 — An Asymptotic Framework for Closed-Form Estimators from Surrogate Estimating Equations¶
- 作者: Yigal Teplitsky, Robert Zimmerman
- 机构: University of Toronto · Imperial College London
- 分类: math.ST · stat.TH
- 相关性 5/10 · novelty:
new_method - 摘要: 本文提出一个一般性框架,用于构造估计方程根的闭式近似估计量,并量化其渐近精度。该框架允许参数序列趋于参数空间边界或发散至无穷,并给出闭式近似估计量与精确估计量具有相同一阶渐近分布的条件。理论主要针对极大似然估计,但适用于一般估计方程。作者将该框架应用于 gamma、zeta、von Mises 和广义 Pareto 分布的 iid 模型,以及 gamma 回归,覆盖了标量和向量参数、iid 和非 iid 设定、正态和非正态渐近情形。每个例子都配有模拟研究,gamma 回归还包含真实数据应用。对您而言,该框架为处理复杂模型中的估计方程提供了计算简便的替代方案,与您对统计计算和 M-估计理论的兴趣直接相关。
- 关键技术:
estimating equations,closed-form approximation,asymptotic distribution,maximum likelihood,gamma regression - 为什么对您有用: 本文属于统计计算与 M-估计理论的交叉,直接关联您的 primary interest 中的 statistical computing 和 moderately_familiar 的 M-estimation theory。您可以用 very_familiar 的软件开发和数值方法技能,将闭式近似估计量实现并验证其有限样本表现;同时,该框架的渐近理论可视为对经典 M-估计理论的扩展,您可基于此探索更复杂模型(如高维或因果推断中的估计方程)的近似解。中期可做:需在 semiparametric theory 上进一步熟悉,以将框架推广至半参数模型。
统计计算 / 算法 (stat_computing, 1 篇)¶
1. 2611.09790 — Box-Cox Transformations of Correlation Matrices¶
- 作者: Ilya Archakov, Peter Reinhard Hansen
- 机构: York University · University of North Carolina at Chapel Hill
- 分类: econ.EM · math.ST · stat.ME · stat.TH
- 相关性 7/10 · novelty:
new_method - 摘要: 本文研究相关矩阵的 Box-Cox 变换族,参数化相关矩阵为无约束向量,涵盖原始相关(α=1)、广义 Fisher 变换(α=0)和负浓度坐标(α=-1)。作者证明对任意 α,逆映射是严格凸优化问题,因此变换是单射;且当且仅当 α≤0 时映射满射到 R^d,故 α=0 是无约束参数化的边界。条件数满足 κ(J_α)≤κ(C)^{|1-α|},在满射范围内 α=0 时指数最小。在高斯抽样下,独立时所有成员的渐近协方差均为单位阵,但仅 α=0 在相关的一阶项上保持单位阵,而独立时的三阶累积量仅在 α=1/3 消失。最后,对 C 做对角重缩放使结果 hollow,得到新的相关参数化族,其逆映射显式,且 α=0 时恢复已知的全局法坐标。
- 关键技术:
Box-Cox transformation,generalized Fisher transformation,strictly convex optimization,condition number analysis,asymptotic covariance,information metric - 为什么对您有用: 本文属于统计计算与参数化方法,与您的统计计算兴趣相关;其凸优化逆映射和条件数分析可借鉴到您熟悉的高维统计与数值方法中。作为 gateway reading,本文数学清晰,适合入门相关矩阵参数化领域,但方法学 novelty 一般,属于方法改进。
天体统计 (astrostats, 1 篇)¶
1. 2611.08953 — System noise temperature measurements of a 19-element phased array feed¶
- 作者: Shenghua Yu, Dejian Ding, Hongwei Xi, Chengjin Jin, Lei Yu, Bo Peng, Zhengwu Wang, Yan Zhu, Jianbin Li, Lijia Liu, Xinyu Zhu, Junjie Zhu, Jun Wang, Xiang Zhang, Chao Hu, Long Jiang, Xingyu Chen, Yaowei Li, Wenjie Wang, Zunli Yuan, Jiangming Chen, Hao Li, Zhaosheng Li, Xuetong Liu, Chengye Li, Zhiyong Wang, Dangen Xie, Hao Shang
- 机构: Chinese Academy of Sciences · National Astronomical Observatories · Hunan Normal University · Xiangtan University
- 分类: astro-ph.IM
- 相关性 4/10 · novelty:
application - 摘要: 本文针对 19 单元六边形室温相控阵馈源(PAF),提出一种改进的 Y 因子方法进行多历元系统噪声温度测量。数据处理采用 Python 流水线,包含迭代通道校准与最大信噪比波束成形;为提取互耦噪声温度 Tmc,提出基于协方差分解的方案。2026 年 3 月至 6 月的长期观测捕捉到主要由 LNA 温度变化引起的接收机噪声漂移。在 1.37-1.47 GHz 工作频带内,PAF 的波束等效系统噪声温度约为 73-89 K;Tmc 基线约 2-8 K,热负载下共振峰可超 20 K。基线 Tmc 与 S 参数测量一致(全阵列小于 10.7 K),其波动可能源于空间电磁场的热与非热分量叠加。部署可拆卸不锈钢屏蔽罩量化旁瓣溢出噪声,对比测试显示无屏蔽环境干扰使接收机噪声温度增加超 60 K。该测量与数据处理框架为地面射电望远镜 PAF 样机的噪声性能表征提供了实用参考。
- 关键技术:
Y-factor method,maxSNR beamforming,covariance-based decomposition,iterative channel calibration,S-parameter measurement - 为什么对您有用: 本文属于 astrostatistics 的 gateway reading:作为统计学家,可借此了解射电天文中的噪声测量与数据处理流程,评估其统计方法(如协方差分解、迭代校准)是否值得借鉴。武器库中的软件开发和矩阵计算能力足以支撑理解其流水线,但本文方法学 novelty 有限,主要价值在于数据与实验设计,适合快速浏览而非深入研读。
经济理论 / 应用 (econ_theory, 2 篇)¶
1. 2611.08859 — Instant Payments After a Betting Ban: Evidence from Brazil¶
- 作者: Rafael Voigtel, Guilherme Vianna
- 机构: Scuola Superiore Sant'Anna · Columbia University
- 分类: econ.EM
- 相关性 5/10 · novelty:
application - 摘要: 本文利用巴西2026年9月25日全国性博彩禁令这一准自然实验,研究其对即时支付系统Pix交易量和结算金额的影响。作者采用线性趋势外推的预测对照方法,将禁令后37天的实际累计交易量与基于禁令前趋势的预测值比较。主要发现是累计交易笔数比预测低约8.37%,结算金额低约10.83%,且在该设定下统计显著。该研究属于应用因果推断,利用政策冲击进行干预效应评估,但识别策略相对简单,未涉及复杂的因果推断方法。对您而言,本文可作为流行病学或经济政策评估中利用政策断点进行因果推断的入门案例,但其方法学贡献有限。
- 关键技术:
quasi-experiment,linear trend extrapolation,counterfactual forecasting,event study - 为什么对您有用: 本文属于经济政策评估的应用因果推断,连接您的经济理论(应用因果工作)和流行病学(政策干预评估)次级兴趣。作为入门读物,它展示了如何利用政策冲击和简单的预测对照进行因果推断,但方法学上较为基础。您的武器库(如DML、断点回归等)足以支撑您理解并可能改进其识别策略,因此值得快速阅读以了解巴西Pix数据和政策背景,但无需深入。
2. 2611.08510 — Online and Survey Representations of Well-Being: Coherence and Cross-Source Correspondence¶
- 作者: Stefano M. Iacus, Giuseppe Porro, Haodong Qi
- 机构: Harvard University · University of Insubria · Stockholm University · Malmö University
- 分类: econ.EM · cs.LG · physics.soc-ph · stat.AP
- 相关性 4/10 · novelty:
application - 摘要: 本文比较了数字足迹(HFGI)与两套国际调查(WVS、ESS)在幸福感测量上的一致性,使用结构方程模型(SEM)评估跨来源的对应关系。研究发现各来源内部一致性高,但跨来源对应性因领域而异,且与指标概念对齐程度相关。作者认为HFGI应被视为与调查互补的独立测量系统,而非替代品。对您而言,本文展示了如何用SEM框架评估不同测量工具的效度,可作为流行病学或经济学中测量误差建模的参考。
- 关键技术:
structural equation modeling,cross-source validation,measurement invariance - 为什么对您有用: 本文属于经济/社会科学应用,涉及测量工具的效度评估,与您的secondary interest(经济理论、流行病学中的测量问题)相关。作为gateway reading,它展示了SEM在跨源数据整合中的应用,但方法学新颖性一般。武器库中的非参数统计和因果推断工具足以理解其框架,但若想深入测量误差建模,可能需要补充潜变量模型知识。值得花时间读全文以了解数据结构和分析流程。
其他 (other, 6 篇)¶
1. 2611.09799 — On the Order of Privacy and Smoothing in Functional Mean Estimation¶
- 作者: Haotian Chen, Yu-Wei Chen, Qifan Song, Jordan Awan
- 机构: Purdue University West Lafayette
- 分类: math.ST · cs.CR · stat.TH
- 相关性 6/10 · novelty:
new_theory - 摘要: 本文研究函数型均值估计中差分隐私与平滑操作的先后顺序问题,比较了先拟合后保护(FTP)与先保护后拟合(PTF)两种流程。在无观测误差且样本量趋于无穷的设定下,作者证明在相同的 μ-GDP 隐私预算下,FTP 的均方误差渐近地严格小于 PTF,该结论在有限维 Hilbert 空间和无限维 RKHS 中均成立。此外,作者建立了 Banach 空间中高斯扰动满足 μ-GDP 的新保证,推广了现有仅适用于 RKHS 的结果。模拟研究显示,在观测噪声较小时 FTP 更优,而噪声较大时 PTF 可能更可取。该工作为函数型数据隐私保护提供了理论指导,但其方法学核心是隐私机制与函数型估计的交互,而非您主攻的因果推断或高维统计方向。
- 关键技术:
differential privacy,Gaussian mechanism,functional data analysis,RKHS,mean squared error asymptotics - 为什么对您有用: 本文属于统计隐私方向,与您的主攻方向(因果推断、高维统计、U-统计量)无直接交集;但其中关于高斯扰动在 Banach 空间中的隐私保证,以及函数型估计的渐近分析,可作为统计理论的一般性阅读。若您对隐私保护下的估计问题感兴趣,本文可作为入门,但武器库中的工具(如 minimax 理论)可用来检验其渐近结论的紧性,属于中期可做的方向。
2. 2611.08843 — Bayesian Unit-level Quantile Modeling with Application to Wealth Data¶
- 作者: Daniel Vedensky, Paul A. Parker, Scott H. Holan
- 机构: University of California, Santa Cruz · University of Missouri
- 分类: stat.ME · stat.AP
- 相关性 5/10 · novelty:
application - 摘要: 本文提出一个贝叶斯单位级分位数模型,用于刻画财富数据在时间、空间和精细人口分组上的分位数分布。财富数据高度偏斜、重尾且包含正负值,标准小域估计方法难以处理,而现有单位级方法常忽略调查设计且不适用于重复调查。作者采用非对称拉普拉斯伪似然模型,结合调查权重并纳入空间和时间依赖,提出 Gibbs 采样和变分贝叶斯两种计算算法。方法应用于美国收入与项目参与调查(SIPP),刻画了美国家庭财富的地理、时间和人口变异,包括直接估计不可用或不稳定的稀疏抽样域。该工作属于应用贝叶斯建模,方法学创新有限,但对小域估计和复杂调查数据建模有参考价值。
- 关键技术:
asymmetric Laplace pseudolikelihood,Bayesian hierarchical model,survey weights,spatial-temporal dependence,Gibbs sampling,variational Bayes - 为什么对您有用: 本文属于应用统计,与您的主要兴趣(因果推断、高维、半参数等)无直接交集,但涉及小域估计和复杂调查数据,与流行病学应用中的调查数据分析有一定关联。作为入门读物,本文对非贝叶斯统计学家较友好,但方法学深度一般。武器库中的非参数和半参数工具足以理解其模型设定,但无需深入跟进。
3. 2611.09432 — A hybrid model for zero-inflated proportion data¶
- 作者: Yangzi Zheng, Qian Li, Binyan Jiang, Pinjun Dong
- 机构: Peking University · Shaanxi Normal University · Hong Kong Polytechnic University
- 分类: stat.ME
- 相关性 5/10 · novelty:
new_method - 摘要: 本文提出一种用于零膨胀比例数据的混合模型,将零分为两类:一类源于抽样变异,另一类反映协变量本质上不适合。模型结合了针对适合观测的回归成分与估计适合区域的分类成分,以识别不适合的协变量。利用去偏技术,作者建立了回归与分类成分的一致性,并证明了回归系数的渐近正态性及支撑估计的收敛速率。模拟研究验证了理论结果,两个真实数据集上的应用表明模型优于多数竞争方法。该工作属于零膨胀比例数据的建模与推断,与您的主要兴趣(因果推断、高维统计、半参数理论等)关联较弱,但其中去偏技术可能对您在半参数效率理论中的工作有一定启发。
- 关键技术:
debiasing technique,zero-inflated proportion data,support estimation,asymptotic normality - 为什么对您有用: 本文主题为零膨胀比例数据的混合建模,属于应用统计方法,与您的主要兴趣(如因果推断、高维统计、半参数理论)直接关联较弱。但文中使用的去偏技术(debiasing)与您在效率理论(semiparametric efficiency bounds, debiased ML)中的兴趣有潜在联系,可作为方法学参考。从武器库角度看,您对非参数统计和M估计的熟悉程度足以理解本文方法,但本文并非您核心领域的突破性工作,属于边缘相关。
4. 2611.08501 — Electoral Intelligence: A Neural Zero-Inflated Negative Binomial Model for Forecasting Swedish Municipal Elections¶
- 作者: Haodong Qi, Stefano M. Iacus, Pieter Bevelander, Derek S. Hutcheson
- 机构: Malmö University · Harvard University
- 分类: econ.EM · cs.LG · stat.AP
- 相关性 5/10 · novelty:
application - 摘要: 本文提出一个有界神经零膨胀负二项(ZINB)模型,用于预测瑞典市政选举中政党层面的选票数。模型结合计数分量、零膨胀分量、市政特定离散度以及学习到的嵌入,以捕捉政党、市政及政党-市政交互的潜在结构。训练数据来自2014、2018和2022年瑞典市政选举,并在留出的市政集上评估性能,结果显示选票数和得票率预测精度高。诊断表明潜在政党结构、地方政党-市政关系、选举持续性、组织能力和候选人与选民代表性相似性是预测性能的重要决定因素。最终模型在全量历史数据上重新拟合,用于生成2026年市政选举预测。该框架为多党制下政党存在异质性和地理差异显著的本地选举竞争提供了灵活的研究方法。
- 关键技术:
zero-inflated negative binomial model,neural network embeddings,count regression,forecasting,municipal elections - 为什么对您有用: 本文属于应用统计(stat.AP)范畴,涉及计数数据和预测建模,与您的主要兴趣(如高维统计、因果推断)无直接交集,但可作为流行病学或社会科学中计数数据建模的参考案例。作为gateway reading,本文数据结构和模型设定清晰,适合了解神经计数模型在真实数据上的应用,但方法学新颖性有限,不值得深入阅读。
5. 2611.08793 — Exact optimality of augmented order-of-addition designs¶
- 作者: Stelios D. Georgiou, Haralambos Evangelaras, Stella Stylianou
- 机构: RMIT University · University of Piraeus
- 分类: math.ST · stat.TH
- 相关性 4/10 · novelty:
new_theory - 摘要: 本文研究 order-of-addition 实验设计在 pairwise-ordering 模型下的精确最优性。作者证明,在至少三个组分的模型中,向 order-of-addition 正交阵列添加任意一次运行,即可在允许重复的扩大规模精确设计中达到 D-最优;对 foldover 设计,添加任意反转对也在 foldover 类中达到 D-最优。这些增广设计同时最小化平均预测方差和协方差缩放的信息差异,并最大化最小相对效率。关键步骤是将缩放差异表示为三元组的有符号比较,并推导出尖锐的整数下界,再结合经典谱不等式得到精确规模的最优性,而四元组相对顺序计数刻画了等号条件。完全反转对还能保护成对排序效应的估计免受任意反转不变干扰均值的影响。在最小可估计的五组分 foldover 规模下,精确枚举识别出五个行列式最优类,其预测和平衡性质不同;七组分例子表明,即使删除反转对最小化差异,也未必最优。构造到十组分的例子展示了可达到的运行规模。
- 关键技术:
D-optimality,order-of-addition designs,foldover designs,spectral inequalities,integer lower bounds,exact enumeration - 为什么对您有用: 本文属于实验设计领域,与您的主要兴趣(因果推断、高维统计、U-统计量等)无直接交集,但其中使用的谱不等式和整数下界技巧与您熟悉的非参数/半参数理论中的工具可能有方法论上的共鸣。作为 gateway reading,本文数学清晰,但并非您领域的核心文献,建议仅作泛读。
6. 2611.09087 — Group Invariance of Statistical Models and Associated Statistical Manifolds¶
- 作者: Zhuohao Cheng
- 分类: math.ST · math.PR · stat.TH
- 相关性 4/10 · novelty:
new_theory - 摘要: 本文研究参数化统计模型在样本空间群作用下的不变性,证明该群作用诱导统计流形上的等距作用,并保持 Fisher-Rao 度量与 Amari-Chentsov 张量。作者进一步建立该等距作用与 Hall-Wijsman-Ghosh 广义 Stein 定理中充分统计量的相容性,从而得到原群不变模型的一种约简,其 Fisher 信息损失可通过条件期望显式量化。作为应用,作者将框架用于圆形数据分析中的广义 cardioid 分布,展示约简模型如何促进相对参数的估计与假设检验。
- 关键技术:
group invariance,Fisher-Rao metric,Amari-Chentsov tensor,sufficient statistics,conditional expectation - 为什么对您有用: 本文属于信息几何与统计流形理论,与您的主要兴趣(数学统计、假设检验)有概念上的连接,但并非您当前主攻的因果推断或高维统计方向。作为 gateway reading,本文的数学框架(群作用、Fisher 信息损失)对您理解统计模型的几何结构有启发,但武器库中的工具(如 U-统计量、半参数理论)并非直接可迁移。建议作为拓展阅读,暂不深入。
🗂 其他论文(仅 LLM 评分,未生成摘要)¶
未生成中文摘要的论文,按 LLM 评分由高到低排列,仅保留评分与简评,便于回溯查全。一般为相关性低于展示阈值者;个别历史页也含当时因单日摘要上限未展开的高分篇目(评分仍清楚标着)。
1. 2611.08856 — Competitive Balance Beyond Standings: Bayesian Inference for Latent Tiers and Structural Heterogeneity¶
- 作者: Guanyu Hu
- 机构: Michigan State University
- 分类: stat.ME · stat.AP
- 相关性 3/10
- 评分理由: Sports economics application with Bayesian latent structure; tangential to primary statistical interests.
2. 2611.08528 — Price-Volume Correlations Are Always Zero¶
- 作者: Victor Olkhov
- 分类: econ.EM · q-fin.PM · q-fin.PR · q-fin.ST · q-fin.TR
- 相关性 3/10
- 评分理由: A critique of empirical correlation calculation in finance, unrelated to the researcher's statistical interests.
3. 2611.09308 — Suppression of water-ice UV photodesorption on cosmic dust analogs¶
- 作者: Ph. Parent, C. Laffon
- 机构: Centre National de la Recherche Scientifique · Aix-Marseille Université · Centre Interdisciplinaire de Nanoscience de Marseille
- 分类: astro-ph.IM · astro-ph.GA
- 相关性 3/10
- 评分理由: Astrophysics lab experiment with minimal statistical or modeling content, not suitable as gateway reading.
Maintained by 陈星宇 · Homepage · Source on GitHub